医学图像的混合模型成份数估计

混合模型成份数估计是医学图像聚类分析和密度估计的关键。针对基于信息准则的佑计方法存在过拟合问题,提出了一种新的基于高斯混合模型特征函数的估计方法。首先定义医学图像高斯混合模型的特征函数,然后构造了一个基于特征函数的混合模型成份佑计准则,最后设计了该准则的实现算法。新的估计方法通过选择合适的参数调控对数特征函数,让惩罚函数起到平衡作用。模拟数据和真实数据实验表明,此方法确定的混合模型的成份数K比其他经典的信息准则方法确定的更合理,避免了医学图像的过拟合问题。     

基于近似密度函数的医学图像聚类分析研究

针对医学图像数据难以用数学模型来表述和聚类的问题，提出一种基于近似密度函数的医学图像聚类分析方法．该方法采用核密度估计模型来构造近似密度函数，利用爬山策略来提取聚类模式．基于真实的人体腹部医学图像数据集的实验结果表明，该方法可以取得较好的聚类效果．     

通用中小型机械企业网站的需求分析

为了克服中小型机械企业建立网站的经费不足、功能不全和缺乏安全性等问题,提出了建立通用企业网站的方案。首先通过广泛调研企业的需求,总结和分析了企业信息、客户管理、产品管理、销售与市场管理、物资供应管理、人事管理和安全管理等模块的功能;其次,分析了主要的业务流程和业务重组。     

基于网格化的医学图像不规则特征提取方法

提出了一种针对不容易描述的不规则特征的提取方法:采用贝叶斯启发式学习方法提取图像的聚类变量和等价变量作为特征;用网格划分技术过滤和释放位于稠密超方格的数据项,从而有效减少内存需求、大幅度降低计算复杂度。将此方法应用于医学图像分类器中的特征提取部分,实验结果表明大大地提高了分类的准确率。     

图像数据库管理系统的关键技术研究综述*

综述了图像数据库的体系结构和框架,设计了一个图像数据库通用框架。围绕通用框架,综述了存储机制、数据模型、语义模型、图像检索和可视化等关键技术,分析了它们的研究现状和有待解决的问题。     

遗传K-均值初始化的t混合模型医学图像聚类*

针对基于混合模型的图像聚类质量易受混合模型参数初始值的影响,提出一种遗传K-均值初始化的t混合模型医学图像聚类方法。该方法构建一种医学图像的t混合模型,将遗传算法与K-均值算法相结合,实现对医学图像的初始划分,从而获得混合模型的初始参数,有效克服混合模型对参数初始值选择的敏感性问题,用EM算法多次迭代估计t混合模型参数;最后根据得到的混合模型对医学图像进行聚类。实验表明,该方法实现了医学图像较精准的聚类,有较好的稳定性和通用性。     

基于动态步长的医学图像聚类分割研究

针对当前基于聚类技术的医学图像分割存在的问题,提出并实现了基于密度聚类的医学图像分割方法DSLDC-MIS。该方法在DENCLUE数据组织和密度函数构造的基础上,采用最优梯度技术实现动态步长的爬山算法分割医学图像组织。实验结果表明,DSLDC-MIS能很好地实现医学图像分割,比DENCLUE有更高的时间效率,更好地控制了聚类数目,更高的一致性和对比度。     

工程教育认证视角下的课程思政建设

针对工程类专业的课程思政目标缺乏专业特色、元素内容缺乏系统性、效果评价缺乏有效方法等问题,提出工程教育认证视角下的课程思政建设路径.     

面向叶子图像的植物归类的特征序列描述方法

针对叶子图像的植物数据库的归类系统,提出了一种新的基于高斯混合模型特征函数的图像特征序列描述方法。定义了图像的高斯混合模型、特征函数及其性质,用自适应的方法把图像分解为K个模型,并在每个分量模型和混合模型上定义由频谱、相位角和功率谱组成的局部特征序列和全局特征序列。在中国科学院智能计算所的叶子图像数据集leaves(ICL)上进行了K-means归类实验,结果表明该图像描述方法比LBP局部综合特征和高斯混合密度函数有更好的归类结果。